《Journal of Marine Science and Engineering》:Comparative Evaluation of Rudder Excitation Signals for Bayesian Identification of an MMG Model
编辑推荐:
### 专业术语翻译摘要
精确的操纵模型(maneuvering models)对于自主航行船舶至关重要。传统方法如模型试验(model tests)和计算流体动力学(Computational Fluid Dynamics, CFD)分析需耗费大量时间和成本
### 专业术语翻译摘要
精确的操纵模型(maneuvering models)对于自主航行船舶至关重要。传统方法如模型试验(model tests)和计算流体动力学(Computational Fluid Dynamics, CFD)分析需耗费大量时间和成本构建白箱模型(white-box models),而黑箱模型(black-box models)缺乏可解释性。尽管利用营运数据通过系统辨识(system identification)识别白箱模型参数是高效的,但标准操纵(standard maneuvers)往往缺乏足够的激励信号(excitation signals)以获得可泛化的模型,而随机操纵在全尺度船舶上实施不切实际。本研究比较评估了易于在全尺度船舶上实施的实用激励信号,以获取信息丰富的观测数据。利用KVLCC2模型船的伪观测数据(pseudo-observation data),通过马尔可夫链蒙特卡洛(Markov Chain Monte Carlo, MCMC)方法辨识MMG模型的水动力系数,在显式考虑观测噪声的同时量化参数不确定性。在所有测试案例中,线性递减舵角信号(linearly decreasing rudder-angle signal)在回转(turning)和Z形(zig-zag)操纵预测中表现出最优平衡性能。在本数值案例研究中,该信号覆盖了整个允许舵角范围,并产生了从回转至近直线运动的运动模式。在指令舵角与实际舵角之间引入特定合成扰动后,所辨识模型仍保持相似的预测精度。结果表明,线性递减舵角信号是获取MMG模型辨识信息数据的有效候选信号。
### 论文解读文章
本文针对船舶操纵运动模型中参数辨识的激励信号选择问题展开了系统性研究。研究背景中,自主船舶的快速发展对精确的操纵运动模型提出了迫切需求。传统的白箱建模方法(如模型试验和计算流体力学分析)依赖物理原理,准确度高但成本大且耗时;黑箱模型(如神经网络、支持向量机等)缺乏物理基础,可解释性差。基于系统辨识的方法利用航行数据直接确定白箱模型参数,具有高效率且能避免尺度效应,但标准操纵试验(如回转和锯齿试验)往往不能提供充足激励,导致所辨识模型泛化能力不足,难以准确预测未参与辨识的操纵工况。随机机动信号虽能提高信息量但难以从头尺度船舶上实施。因此,研究亟需寻找一种既易于在全尺度船舶上实现又能提供丰富信息量的舵激励信号,以兼顾辨识精度与操作性。
研究人员设计了一套基于贝叶斯推断与马尔可夫链蒙特卡洛方法的辨识框架,以MMG(MMG, Maneuvering Modeling Group)模型为基础,利用KVLCC2b模型船的伪观测数据,对水动力系数进行辨识,并比较不同激励信号下所辨识模型的预测性能。主要研究方法包括:利用MCMC方法从后验分布中采样,考虑到观测噪声的显式建模,采用均匀先验覆盖水动力系数数据库范围;通过No-U-Turn采样器实现有效采样,并统计采样诊断指标评估收敛性;随后以保持出的回转和急转操纵工况作为验证数据,以均方根误差(RMSE)作为指标,系统比较不同激励信号的效果。
研究结果具体呈现为以下方面。首先,在理想舵角剖面下,对恒定最大舵角、线性递减舵角、正弦周期变化(周期25秒、50秒、100秒)五种候选激励信号进行了辨识与比较。通过MCMC采样获得了各参数后验分布,部分系数获得了明显集中的后验峰值,但高阶系数由于多项式项间相关性,辨识效果有限。在训练数据拟合度上,所有信号模型均能准确复现用于辨识的操纵过程。但在保持出的标准操纵预测中,恒定舵角信号虽然在回转工况中误差最小,却在急转工况中表现较差,暴露出其激励不足的问题;线性递减信号则能在回转与急转工况中获得相对均衡且较小的预测误差;60%周期100秒的正弦信号虽表现平衡,但在急转工况中预测偏差略大;而25秒周期正弦信号导致预测发散,因为过快的舵角变化无法有效激励船舶的动态响应。进一步基于100个独立观测噪声实现,验证了线性递减信号的鲁棒性和一致优势,其在多数噪声样本中均实现最小预测误差。此外,螺旋试验模拟表明所辨识模型稳定性良好。
其次,在合成扰动舵角剖面下,针对线性递减和100秒周期正弦信号,引入指令舵角与实际舵角之间的高斯噪声扰动,以考察辨识对输入误差的敏感性。结果表明,两种信号下参数的马尔可夫链蒙特卡洛采样均可收敛,后验分布和预测性能均未发生明显恶化,说明这组候选信号对特定的输入不确定性具有良好的鲁棒性。
讨论部分指出,线性递减信号之所以性能最优,是因为它激励了船舶从回转运动向近似直线运动再到反向回转的连续转变,其运动历程变化丰富。正弦信号虽然能持续周期激励,但短周期时船舶响应延迟导致激励效果衰减;恒定舵角则快速进入稳态,丢失了动态信息。另外,高阶水动力系数的辨识困难源于模型结构多项式的相关性,而非完全取决于激励信号,这提示了对模型结构进行简化或修正的必要性。研究还强调本工作仅在单一KVLCC2b模型、正常前进速度、一种线性递减斜率和一种观测时长条件下进行,结果推广至不同船型或全尺度时需谨慎。未来研究可拓展多个船型、多种斜坡速率、不同的噪声实现及实测舵响应数据。
结论部分总结了本研究的核心发现:在数值案例中,线性递减舵角信号能够产生结合回转与近直线运动的丰富运动历史,所辨识MMG模型在保持出的典型操纵工况中兼顾了预测精度与稳定性,其表现优于恒定舵角和不同周期的正弦信号。同时结论指出,仅考虑舵角覆盖范围不足以保证辨识效能,还需将信号变化时间尺度与船舶响应特性匹配,线性递减信号凭借其简单结构易于实际实施,有望成为MMG模型辨识数据采集的有效候选方案。